/ Модель

Характеристики

Контекст
1 048 576 токенов
Лицензия
MIT
Архитектура
deepseek_v41 · dense
Базовая модель
DeepSeek-V4.1-Flash
Библиотека
exllamav3
Опубликована
12 сен 2026

DeepSeek-V4.1-Flash-EXL3-2.9bpw

Генерация текстаТекст → текст15 профессий

DeepSeek-V4.1-Flash-EXL3-2.9bpw — это квантованная версия мультимодальной модели DeepSeek-V4.1-Flash, разработанной DeepSeek-AI.

3 935скачиваний за 30 дней16лайковвеса обновлены13 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Квантование выполнено Mia’s AI Lab в формате EXL3 с использованием exllamav3 версии 1.4.2. Модель предназначена для задач генерации и анализа текста и изображений, включая сценарии с рассуждением и большим контекстом, при запуске в совместимых средах vLLM, ExLlamaV3 или TabbyAPI.

В основе лежит MoE-архитектура с 552 млрд параметров и активацией 8–16 млрд параметров на токен. Поддерживаются мультимодальный ввод, зрительный модуль, DSpark, CED, CSA2 и Engram memory; заявлен контекст до 1 млн токенов. Средняя битность квантования декодера составляет 2,90 bpw, размер сборки — около 197 ГБ в 39 safetensors-частях. Включены vision-компоненты и DSpark, однако таблицы Engram не квантованы и требуют дополнительных оригинальных шардов 47 и 48 базовой модели общим объёмом около 190 ГБ.

Сильными сторонами являются существенно сниженные требования к хранению по сравнению с полноразмерной моделью, поддержка длинного контекста, мультимодальность и встроенное спекулятивное декодирование DSpark. Ограничения связаны с необходимостью дополнительных Engram-шардов, использованием специализированного EXL3-совместимого стека и тем, что показатели качества из карточки базовой модели не относятся напрямую к этой квантованной сборке. Модель распространяется по лицензии MIT без дополнительных ограничений со стороны квантования.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DeepSeek-V4.1-Flash · EXL3 · 2.9bpw

EXL3 quantization of deepseek-ai/DeepSeek-V4.1-Flash, converted with exllamav3 v1.4.2.

This is not a drop-in replacement for the original FP8 checkpoint. The Engram embedding tables are not in this repo — you still need shards 47 and 48 from the base model (~95 GiB each).

A slightly denser sibling lives at Mia-AiLab/DeepSeek-V4.1-Flash-EXL3-3.0bpw.

Base modeldeepseek-ai/DeepSeek-V4.1-Flash
FormatEXL3 v1.4.2, codebook mul1, out_scales=always
Average bpw2.90 (decoder; --hq)
Head bits6
MTP / DSpark bits4 (mtp_bits)
Size~197 GB, 39 safetensor shards
Calibration128 rows × 2048 cols (262144 tokens), workload trace cal_trace_dsv41_flash_workload.json
DSparkIn-checkpoint (dspark_block_size=5, 128 draft experts / top-3, layers 37–39)
VisionIncluded (tower left native)
Engram tablesNot quantized. Use original shards 47 and 48

Engram tables (required)

EXL3 only quantized the Engram wkv linears. The FP8 row tables stay in the original DeepSeek tree:

  • model-00047-of-00048.safetensors (~95 GiB)
  • model-00048-of-00048.safetensors (~95 GiB)

Point the runtime at that directory. This card ships engram_table_dir as null on purpose — do not leave a machine-local path in config.json.

vLLM:

--quantization exl3 \
--hf-overrides '{"engram_table_dir":"/path/to/DeepSeek-V4.1-Flash"}'

A slimmer overlay is enough: hardlink or copy only shards 47–48 (plus an embed-only index if your stack wants one). You do not need the other 46 original shards once this EXL3 tree is loaded.

Download

hf download Mia-AiLab/DeepSeek-V4.1-Flash-EXL3-2.9bpw \
  --local-dir ./DeepSeek-V4.1-Flash-EXL3-2.9bpw

hf download deepseek-ai/DeepSeek-V4.1-Flash \
  --include "model-00047-of-00048.safetensors" \
  --include "model-00048-of-00048.safetensors" \
  --local-dir ./DeepSeek-V4.1-Flash

Runtime

This checkpoint is meant for stacks that load EXL3 (trellis / suh / svh / mul1), not vanilla Transformers weight loaders.

  • vLLM with EXL3 + DeepSeek-V4.1 support (--quantization exl3, DeepSeek V4.1 tokenizer / tool / reasoning parsers). Native DSpark: --speculative-config '{"method":"dspark","num_speculative_tokens":3}'.
  • ExLlamaV3 / TabbyAPI once the architecture is supported in the build you are running.

Official sampling from the base card:

ParameterValue
temperature1.0
top_p0.95
contextup to 1M tokens

Thinking defaults on. Disable per request with chat-template kwargs (enable_thinking=false) when you want a non-reasoning smoke.

KV cache is native V4.1 FP4 (~890 B/token). Do not force an unrelated fp8 KV dtype from other recipes.

Conversion

python convert.py \
  -i DeepSeek-V4.1-Flash \
  -o DeepSeek-V4.1-Flash-EXL3-2.9bpw \
  -w /path/to/work \
  -b 2.9 \
  -hb 6 \
  -hq \
  --codebook mul1 \
  -cd cal_trace_dsv41_flash_workload.json

Final reported decoder bitrate: 2.90 bpw (--hq enabled). MTP tensors were quantized at 4 bpw. Routed experts are a 2/3 mix (mostly K=3, a slice at K=2); attention / shared / Engram wkv sit higher (typically 4–6). Indexer wk is 8 bpw. Embeddings stay bf16.

Base model

DeepSeek-V4.1-Flash is a multimodal MoE (552B backbone, 8B/16B activated per token in prefill/decode) with CED, CSA2, Engram memory, and in-checkpoint DSpark. Architecture, evals, and prompt format live on the original model card and tech report. Scores there are for the unquantized model, not this EXL3 build.

License

MIT, inherited from deepseek-ai/DeepSeek-V4.1-Flash. Quantization adds no extra restrictions.

Citation

@misc{deepseekai2026deepseekv41flash,
      title={DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression},
      author={DeepSeek-AI},
      year={2026},
}

Quantized by Mia's AI Lab. Format and tooling: exllamav3 (turboderp).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · exllamav3

Можно запустить

Подбираем GPU…

Класс архитектуры
DeepseekV41ForCausalLM
Ревизия весов
64ba41b

0 моделей